概率图模型

早期机器学习一般来说都是概率图模型（PGM），概率图模型分为
1.有向图模型，也称为贝叶斯网（BayesianNetwork，BN），其网络结构使用有向无环图；其可以显示出一个变量是否是另外一个变量的先验。
2.无向图模型，也称为马尔可夫网（MarkovNetwork，MN），其网络结构为无向图；其只能说明二者存在联系。
3. 局部有向模型，即同时存在有向边和无向边的模型，包括条件随机场（ConditionalRandomField，CRF）和链图（ChainGraph）。

现在很少有人研究概率图模型了，因为概率图首先要有专家来做出概率图才能进行研究，如果想强行数据驱动得出依赖关系，但对数据质量提出较高要求，误差较大。

概率图模型主要是为了解决维度灾难：当有n个变量是，如果用列举法，就会有2^n项才能得出联合概率分布，而如果用概率图模型，可以用如下公式得出概率分布，如：

常见的概率图模型有

• 朴素贝叶斯
  
• 马尔科夫链
  
• 隐马尔科夫模型（HMM）
  
  其中xi为隐变量，yi为现象，例如股票预测，已知y1，y2，y3为牛市熊市牛市求此时x3是牛市的概率。